GLOWA Volta Project

1. GLOWA Volta Project Data Management and Application of GIS and Remote Sensing in Natural Resources Management Training Workshop Wednesday, December 12 – Friday, December 14, 2007 DGRE, Ouagadougou, Burkina Faso Gestion des données dans le projet GLOWA-VoltaAntonio Rogmann (Center for Development ResearchUniversity of Bonn)

2. Gestion de Données Table des matières • Gestion de données  Problèmes, solutions et défis • Gestion de données  flux de travaux (Workflow) • Conception de l‘infrastructure de la gestion de données Éléments et interfaces • Systèmes d’Information Géographique  Qu‘est-ce qu’un SIG?  Besoin et applications du SIG  Bases

3. Gestion de Données: problèmes Sondage avec les institutions partenaires et parties prenantes du GLOWA Volta lors du „PARTNERS’ CAPACITY NEEDS ASSESSMENT WORKSHOP” (31.05.-01.06.2007, Accra, Ghana) Pour la compréhension • Cohérence entre les institutions en terme d’échange / flux des données relatives au management de l’eau • Environnement des données : software/modèles utilisés, stockage des données et facilités d’accès, hardware • Ensemble défini de problème dans la gestion (l’accès) des données Comme condition pour • L’ajustement de système de gestion des données du GLOWA Volta au besoin des partenaires • Offrir aux partenaires des solutions pour améliorer la qualité de la gestion de données

4. Gestion de Données: problèmes Institutions participants au sondage: Coalition of NGO's in Water and Sanitation (CONIWAS) • Kwame Nkrumah University of Science and Technology, Kumasi (KNUST) • Soil Research Institute, Council for Scientific and Industrial Research (SRI) • Water Research Institute, Council for Scientific and Industrial Research (WRI) • Hydrological Service Department (HSD) • Water Resources Commission (WRC) (2 participants) • Hydrological Service Department (HSD) • Ghana Irrigation Development Authority (GIDA) • Water Research Institute, Council for Scientific and Industrial Research (WRI) • Ghana Water Company Ltd, Head Office (GWCL) • Dept. of Agriculture Economy & Agriculture Business. College of Agric. and Consumer service • Environmental Protection Agency (EPA) • Centre for Environmental Impacts Analysis (CEIA) • Volta Basin Development Foundation (VBDF) • Training, Research Network for Development (TREND) • UDS: Faculty of Integrated Development Studies • Savannah Agricultural Research Institute (SARI) • Volta River Authority (VRA)

5. Gestion de Données: problèmes Résultats • Manque d‘information sur les données = données à propos des données = méta données basé sur le questionnaire participants = 19. Choix multiple

6. Gestion de Données: problèmes Résultats • Documentation des données principalement interne sur catalogues digital (ex: Tables Excel), sur papier ou sans aucune documentation • Meta base de données basées sur le web comme exception basé sure les organisations representées dans le questionnaire participants. N = 19. Choix multiple

7. Gestion de Données: problèmes Résultats • Transfert de données copieux et long • L’envoi de données par e-mail pose des problèmes de volume et de temps de transfert basé sure les organisations représentées dans le questionnaire participants. N = 19. Choix multiple

8. Gestion de Données: problèmes Institution données Usager des données Département de Service données Organisation données Questions courantes lors de la recherche de données: • Quelles données existantes serviront ma recherche/mes décisions/mes besoins en information ? • Oùtrouver ces données ? • Dans quels formats ? Sont-ils compatibles avec mes applications/ modèles ? • Quelles sont les caractéristiques des données (ex : unités de temps et autres unités) • A qui appartiennent ces données ? Faut-il les payer ? ?

9. Data user Solution: Gestion de Données données Web Géo-portail Meta Données !! données Serveur de plans Serveur de Données Département de Service Banque de méta-données Banque de données données données Nous aimerions vous offrir une solution en fournissant : • Une base de données centrale • donnant accès aux stocks de données du GVP • la possibilité d’étendre le stock de données avec vos propres données • Une méta-base de données centrale • des réponses sur les besoins en données • des références sur les pourvoyeurs de données • Un géo portail informant • sur les projets en relation avec la gestion hydraulique dans le bassin du Volta • et leurs données en visualisation spatiale ??

10. Données du projet: que peux fournir le GVP? Données hydrologiques : décharge d’eau, nappes phréatiques (série chronologique) Données climatologiques : précipitations, températures, humidité de l’air, évapotranspiration, flux de chaleur (série chronologique et prédictions) Données sur l’utilisation d’eau : agriculture (irrigation) / nationale / industrielle (énergie hydraulique) / réservoirs Données sur l’utilisation des sols / la couverture des sols : agriculture, urbanisation, sols, géologie, végétation Données topographiques / infrastructurelles / administratives :réseaux des rivières, lacs, élévation des routes, agglomérations, électricité, frontières Données socio-économiques :démographie, recensement, activités économiques (marchés), sondages En différents formats :vecteur / trame (télédétection), tables, documents, formats spécifiques au modèle Données in the GVP

11. Données du projet: utilisées comme Inputs pour modèles. Dans le GVP: MM5-ETH: WaSIM: GAMS: LUDAS: Mike Basin:

12. La gestion de donnéesest la toile de fond sur laquelle les facilités d’accès viennent se superposer La gestion des données dans une organisation est basées sur un ensemble de méthodes pour La description des données (métadonnées) Assurance de la qualité des données Distribution et accès des données Sécurité Solution: Gestion de Données

13. La gestion pratique de données dans une organisation est basée sur : Des normes Des normes standards, par exemple pour les métadonnées, l’identification des ressources, les formats, … Des normes internes en fonction du consensus interne a l’organisation, par exemple pour les modèles de base de données, noms de fichiers, règles de données… Déroulement des opérations/ Étapes du procédé / responsabilités Technologie : hardware, software, interfaces…  infrastructure des données Solution: Gestion de Données

14. Règles concernant l’information à propos des données Métadonnées Plusieurs standards développés par des organisations, tels que l’ ISO 15119 pour données géo du Federal Geographic Data Committee Enregistrés auprès de l’International Organization for Standardization (IOS) Consistent en une variété d’éléments / champs pour décrire les ressources (données, software, services) Métadonnées standards consistant partiellement de plusieurs centaines d’éléments Gestion de Données : Metadonnées

15. Métadonnées dans le cadre du GVP : Dublin Core Metadata Standard noyau de 15 éléments, étendus par certains éléments spéciaux pour données géo tus les éléments, exceptes les titres et identificateurs, sont optionnels une description des éléments compréhensible chaque type de ressource (données, software, modèle,…) peut être décrit Éléments « rechargeables » des métadonnées comme Sujet: le sujet sera décrit par des mots-clefs, phrases-clefs, ou code de classification Publieur: une entité (personne, institution) responsable pour pourvoir les données Format : le format des fichiers, les mediums physiques ou dimensions des ressources Gestion de Données : Metadonnées go to manual

16. Créer des métadonnées Les métadonnées doivent être stockées dans la banque de métadonnées Conservées dans un lieu central Offrant un accès web et des interfaces de recherche pour les données et la description des ressources Les métadonnées peuvent être créées de deux manières : En-ligne : entrée directe des métadonnées dans l banque centrale de métadonnées un utilisant un browser Internet, java script, php Hors-ligne : en utilisant un browser Internet et un script java, stockant chaque ensemble de métadonnées localement et proche de la description de l’objet dans le fichier XML Si les fichiers de métadonnées XML ont été créés hors-ligne : Un collecteur de métadonnées peut automatiquement rassembler et insérer les fichiers locaux dans la banque de métadonnées sur un serveur Les fichiers XML peuvent être téléchargés sur la banque de métadonnées Gestion de Données : Metadonnées

17. Gestion de Données : Metadonnées éléments obligatoires des métadonnées ouvre un masque URN * Développé comme prototype par Dr. Marcel Endejan, Deputive Executive Officer, GWSP in champ d‘entrée des éléments de métadonnées Dissertation Champ d‘entrée des éléments de métadonnées • Champ d‘entrée* pour • Créer les métadonnées sous forme de XML fichier • Entrée des métadonnées dans la banque du métadonnées (web / réseau local)

18. Gestion de Données : Metadonnées Champ d‘entrée des éléments de métadonnées éléments de métadonnée bouton d‘insertion

19. Description interne des fichiers pour les données structurées (ex : mesures) En-tête de fichiers de données informant sur le contenu, les unités utilisées, l’instrumentation, la qualités de valeurs, la localisation, … Indépendamment des métadonnées, toute information importante est proposée à l’utilisateur / receveur Multiples fichiers/ensemble de données similaires peuvent être décrits dans La première fiche (ex : dans un fichier excel) Le premier fichier d’un ensemble de fichiers (référencés par d’autres) Un fichier texte séparés et stockes proche des fichiers Gestion de Données : Métadonnées

20. Détermination de base des catégories de données Données qualitative : données riche en détails et précisions, souvent sous forme de texte, format narratif, par exemple : études de cas, revues de documents, ….. Données quantitatives :donnes numériques. Donnes qui sont mesurées soit sur le rapport ou sur l’échelle de mesures, ex : température, niveaux des eaux, … Nomenclature des données (recommandé particulièrement pour les données quantitatives) devrait refléter : (Exemple:) hyd_waterlevel_ghana-kaburi_020101-020630_v1.xls Data Management: Nomenclature DisciplineSujet Site Laps de temps Version • Mais : il n’est pas nécessaire de stopper le système de nomenclature actuel, par contre il est nécessaire …

21. … un identificateur unique pour chaque ressource comme élément d’une métadonnées centrale. Nous utilisons un « Uniform Resource Name » (URN). Quasi-standard pour l’identification des ressources dans un système d’information. Exemple : ISBN Peut être utilisé comme nom pour une ressource (ex : nom de fichier) Doit suivre une syntaxe standard URN dans le GVP seront facilement générés en utilisant un générateur de nom de ressources (en utilisant un browser Internet) Data Management: Identification Identification des ressources comme fichiers de données, documents, plans

22. Identification: URN syntaxe standardisée : ‚urn:‘<NID>‘:‘<NSS> Data Management: Identification NID = Namespace Identifier représente un organisation, projet, réseau, personne urn:x-gvp:uid:<NSS> urn = uniform resource name x = experimental, not officially registered gvp = glowa volta project uid=user identification

23. standardized syntax: ‚urn:‘<NID>‘:‘<NSS> Data Management: Identification NSS = Namespace Specific String  codifìe le „type“, „l‘utilísation“ et le „moyen de stockage“ de la ressource / des données urn:<NID>:<resType>-<resSubType>.<sTitel>.v<verNr>.<for>.<med> <resType> = type of resource, e.g. dataset, document, software <resSubType> = subtype o.r., e.g. primary / secondary data, model input <sTitel> = short titel, name <verNr> = versionsnumber <for> = format <med> = medium on which resource / data file is stored

24. Exemple: urn:x-gvp:HD12:ds-pd.waterlevel_gh-kab_020101-020630-V1.0.xls.cd Data Management: Identification gvp = GLOWA Volta Project HD12 = Institution par exemple „Hydro Service“, person en charge e.g. 12 = personne xy ds = enregistrement pd = données primaire waterlevel ... 30 = titre en bref p.ex. abréviation pour „hyd_waterlevel_ghana- kaburi_020101-020630” V1.0 = version du enregistrement, ex. données brutes en premier version (incontrôlé) xls = MS Excel CD = dans CD

25. Créer un URN Utilisation du « Resource Name Generator » Crée un URN en utilisant une application JavaScript à partir d’un exploreur Internet Existe actuellement comme prototype * Développé comme prototype par Dr. Marcel Endejan, Deputive Executive Officer, GWSP in Dissertation Data Management: Identification

26. Resource Name Generator (= générateur de nom de ressource) Intègre les codes spéciaux pour les types de ressources a l’intérieur d’un réseau qui partage les données Les types de ressources doivent être identifiés et intégrés dans le script Sous-Type de ressource Type de ressource Data Management: Identification

27. Resource Name Generator Version, format et moyen de stockage peuvent être sélectionnés Copier et coller URN dans les noms de l’ensemble de données (si requis) et l’entrer dans la métadonnées Les URN seront ajustés individuellement avec la banque de données centrale, dans laquelle les données seront enregistrées et décrites Format Numéro de version URN Medium de mémoire informatique éviter de duplicata Data Management: Identification

28. Formats Les données peuvent être stockées en format « propriétaire» ou « non- propriétaire  » Le format propriétaire codifies les données d’une manière spécifique, le fichier ne peut être ouvert que par le programme dans lequel il a été créé Les formats « non propriétaire peuvent être utilises par une vaste gamme d’applications (surtout en utilisant les fonctions d’import) Les données doivent être stockées pour de longues périodes de temps et il n’est pas sur quels programmes seront disponibles dans 10 ans Autant que possible, l’inter-operablitité entre les différents programmes et applications doit être garantie Data Management: Formats

29. Standards internationaux certifiés comme l’ISO « Open Document Format for Office Applications » (ODF) “HTML”, “XML” or OGC’s “GML” (Geographic Markup Language - Open Geospatial Consortium) Certains formats sont des de facto-standards (comme MS Excel) parce que les programmes propriétaire qui les génèrent sont appliqués par de nombreux utilisateurs Les software de traitement utilises couramment par les membres d‘un réseau d‘échange de données ont des exigences en matière de format d‘input Data Management: Formats

30. Conclusion : essayer d’ utiliser des formats d’échange non-propriétaire autant que possible, et considérer les exigences de format du software utilisés Exemples: Microsoft Word (.doc)  Rich Text Format (.rtf), Open Document Text (.odt) MS Excel (.xls)  Comma Separate Value (.csv), Extensible Markup Language (.xml) ESRI shape  Geographic Markup Language (GML) Recommandations: Utiliser un software bureau ouvert comme OpenOffice.org Dans ses fonctionnalités, similaire à Microsoft Office (incl. Excel, Access, etc.) Le format est ISO-Standard depuis 2006 (ODF - ISO/IEC 26300)! Pas de coûts! Data Management: Formats

31. Sécurité Garantie contre les accès et applications des données et ressources non-autorisés Utiliser les facilités des sécurités informatiques telles que : Authentification Control List (ACL) Canaux d’accès sécurisés comme la technologie Secure Shell (SSH) Data Management: Securité

32. Contrôle de l‘accès aux données Les données peuvent avoir généré des couts lors de la création, ne sont pas dans le domaine publique, pas encore publiées, …. Le contrôle de l‘accès aux données est base sur un arrangement des la communauté (scientifique) de producteurs, utilisateurs et fournisseurs de données, en terme de règles d’accès aux données Signifie: Qui (groupe utilisateur) est autorise a utiliser (obtenir) quelles données et sous quelles conditions (droits d’auteur, paiement) Comment organiser le processus d’identification schématiquement  groupes d’utilisateurs avec droits d’accès graduels Comment mettre en place le processus d’identification sur le plan technique Data Management: Contrôle de l‘accès

33. Qualité des données signifie Données sont complètes, valides, consistantes, suivent un ordre chronologique et précises, ce qui rend les données appropriées pour un usage spécifique avec un système informatique Vue complète fournie par la gestion de données Les méthodes basées sur le software sont liées aux disciplines scientifiques spécifiques Doivent être transparentes et compréhensibles Devraient être déclarées/recommandées a l’intérieur d’un réseau administratif ou scientifique Le niveau de qualité doit être décrit dans le fichier de données, dans les métadonnées Gestion des données: Qualité

34. Garantie de qualité ds donnes dans le GVP Faites par les scientifiques dans leur propre discipline sous leur responsabilité Testes par diagrammes, si les données sont fiables Comparaisons avec d’autres sources de données Calibrage de routines des instruments Vérification des limites du programme Statistiques de base Data Management: Qualité

35. Récolter les bénéfices de la gestion de données requiert les efforts de tous les participants La gestion de données (GD) a besoin d’accords fermes en matière de : Standards Sélection des utilisateurs des données et de leur droit d’accès et d’utilisation L’environnement technique tel que software (-interfaces), protocoles de réseau, etc. Responsabilité personnelle et/ou institutionnelle dans le cadre du… … déroulement des opérations de la gestion de données : production des données > contrôle de qualité > nomenclature, identification > description > transfert auprès de l’hôte des données > livraison depuis l’hôte des données La GD requiert la volonté d’investir du temps et de setenir aux standards ! Gestion des données : challenges

36. Prochains diapos font partie d’un manuel et documentation GVP-data-management-workflow digitaux Sera fini et publie début 2008 Base pour la prochaine session d’entrainement pour gestion web de données et administration de banque de (géo) données Manuel de déroulement des opérations sera offert dans un design similaire mais dans d’autres formats (PDF, HTML), ainsi pouvant être fourni et publie sur le web Data Management Workflow Sert comme référence de bonne pratique pour GVP, mais doit être étendu pour inclure d’autres exigences dans le système du cote des parties prenantes – après le GVP!!!

37. Data Management Workflow 1 2 3 4 7 6 transfer workflow steps (linked) 1 5

38. Data Management: Etapes Workflow Recommandations … Sous forme de note Étape 1: Récolte données Procédés • Sondage • Télécharger registre données • Sonder et cartographier • Lieu • Terrain • Site • Processeur • Scientifique • Planificateur • Récolteur de données • Software / Interfaces • Explorer fichier • Interface téléchargement • Pistage-GPS • Software traitement données • Imprimé • Hardware • Registre données • Lap Top • GPS • Prendre notes dans le journal • Instrument de mesure: nom, fabricant, numéro de série • Date : quand les données ont-elles été récoltées • Nom : de la personne qui a récolte les données sur le terrain • Qu’est-cequi a été fait : maintenance, réglage • Particularités : quelque chose de spécial a été observé ? • GPS measurements and mappings • Choisir le système de coordonnées approprié pour l’espace de travail • Pour le Ghana Coordinate System WGS1984 projected in UTM (Zones 30/31N), (Burkina Faso 30/31P) Back to overview

39. Data Management: Etapes Workflow Recommandations ...  Plus sur le sujet Sous forme de note Étape 2:Contrôle qualité Procédés • Chercher des trous, anomalies, fichier endommages • Effacer erreurs de données • Remplir des trous • documenter • Lieu • Terrain • Site • Bureau • Processeur • Scientifique • Récolteur de données • Software / Interfaces • Méthodes statistiques (algorithme) • Programme traitement données (e.g. HYDAT) • Hardware • Lap Top • PC • Documentation • Quelles incertitudes restent • Qu’est-ce qui a été entrepris pour le contrôle de qualité • Algorithme et software spécifiques utilisés • Prendre note dans le métadonnées • Prendre note dans la table des en-têtes Back to overview

40. Data Management Etapes Workflow A considérer ….  Plus sur le sujet Sous forme de note • Le nom des données reflète : • Le sujet du contenu • La couverture spatiale et temporelle • Le statut de traitement (version) • Le partage local de données (ex : réseau bureau) • Trouver un accord pour la syntaxe de nomenclature des fichiers  standard GVP ? • Identifier les types de ressources/ données pour définir une syntaxe URN  standard GVP? • Assigner un nom de ressource unifie • Utiliser le « Resource Name Generator » pour créer un URN • Enregistrer le URN dansles données • Enregistrer le URN dans catalogue de données • Enregistrer le URN dans métadonnées Étape 3: Nommer, URN Procédés • Créer une syntaxe appropriée • Nommer ressources • Créer les URN • Lieu • Bureau • Processeur • scientifique • Planificateur • Administrateur banque données • Software / Interfaces • Explorer fichier • Internet Explorer • html, Java Script • Hardware • Lap Top • PC Back to overview

41. Data Management Etapes Workflow Recommandations ...  Plus sur le sujet Sous forme de note Étape 4: organisation données Procédés • Créer uns structure stockage appropriée (annuaire) sur système fichier • Lieu • Bureau • Processeur • Scientifique • Planificateur • Administrateur réseau • Software / Interfaces • File explorer / manager • Hardware • Lap Top • PC • LAN (Server) • Structure du répertoire • spécialement important • Quand les données et ressources sont partagées dans une communauté-bureau • Dans un petit Local Area Networks (LAN) • Dans un peer-to-peer network • Peut être conçue en focalisant sur • Dans le cadre de traitement de données (modèles etc.) • Structure du projet (sous-projets  hiérarchie du projet) • contenu spatial, temporel ou thématique du stock de données (ex:. par régions, thèmes..) • Devrait être répliqué sur disque local par tous les participants au réseau - ajusté aux points focaux personnels dans le travail • plus facile de trouver les ressources Back to overview

42. Data Management Etapes Workflow Recommandations ...  Plus sur le sujet Sous forme de note Étape 4: organisation données Procédés • Insérer information sur données dans dictionnaire de données • Lieu • Terrain • Site • Bureau • Processeur • Scientifique • Planificateur • Software / Interfaces • Excel • OpenOffice Calc • Hardware • Lap Top • PC • Catalogue Données • Petite table fichier avec enregistrement de données, scriptes, etc. personnels sur disquelocal • donne vue d’ensemble et gagne du temps • éléments minimum devraient être: • Uniform Ressource Name (URN) • Titre / Nom • Courte Description • Format • Lieu de stockage (chemin) • Exemple du GVP Back to overview

43. Data Management Etapes Workflow Recommendations ...  Plus sur le sujet Sous forme de note • En-tête de table détaillé pour : • Unified Resource Name: [‚urn:‘<NID>‘:‘<NSS>] • Données fournies par: [nom, prénom, adresse email, institution] • Lieu : [nom du lieu, coordonnées UTM (X,Y)] • Altitude : [mètres au-dessus du niveau de la mere] • Style des mesures : [description des méthodes appliquées] • Preneur de mesure : [nom, (projet, institution)] • Période de mesure : [jjjjmmdd-jjjjmmdd, incréments de temps (jours/h/m/s)] • Valeurs manquantes : [-9999.9] • Qualité : [description des méthodes de garantie de qualité] • Notes : [remarques] • En-tête de table avec description des paramètres utilisés • Expliquer le sens des abréviations/codes • Déclarer les unités utilisées pour les paramètres si non-évidentes • Utiliser les informations du journal de récolte des données Étape 4: organisation données Procédés • insérer ensemble de données directement dans ou proche du fichier • Lieu • Terrain • Site • Bureau • Processeur • Scientifique • Planificateur • Software / Interfaces • Software de traitement • Explorer fichier • Hardware • Lap Top • PC Back to overview En rouge = éléments métadonnées(si les fichiers de métadonnées sont juste crées, ces points ne sont pas nécessaires!)

44. Data Management Etapes Workflow  Plus sur le sujet En-tête de fichier données: example Back to overview

45. Data Management Etapes Workflow A faire …  Plus sur le sujet Sous forme de note • Métadonnées • Au minimum si les données vont être publiées, elles devraient être décrites en entrant les métadonnées • Utiliser l’interface browser internet (comme décrit ici) pour entrer les métadonnées • Remplir autant d’éléments que possible • L’utilisation appropriée de mots-clefs dans l’élément “sujet et mots-clefs” est très importante • La plupart des questions aux métadonnées concernent “sujet et mots-clefs” ainsi que “couverture spatiale” Étape 5: description, créer les métadonnées Procédés • Description des données/ ressources selon le standard pour métadonnées • Lieu • Bureau • Processeur • Scientifique • Producteur des données • Planificateur • Software / Interfaces • Internet browser • html, java script • Équipement • Lap top • PC • bureau Back to overview

46. Data Management Etapes Workflow à considérer ….  Plus sur le sujet Sous forme de note • Métadonnées • Ne pas oublier de donner l’information sur l’accès aux données / ressources • Emplacement actuel : où les données peuvent être obtenues • Modalités d’accès : (coûts, droits d’utilisations, moyens techniques, etc.) • Si les données ne sont pas transmises à un hôte central : nom du contact local • Fichiers de stockage pour métadonnées • Si la saisie directe dans la banque de métadonnées n’est pas possible (pas de connexion Internet) : les fichiers de métadonnées XML doivent être envoyés à l’administration de la banque de métadonnées centrale, par exemple sur CD par poste • Données et métadonnées • Les métadonnées doivent seulement être crées si l’utilisation ultérieure des ressources par d’autres est prévue Étape 5: créer les métadonnées Procédés • Description des données/ ressources selon le standard pour métadonnées • Lieu • Bureau • Processeur • Producteur des données • Scientifique • Planificateur • Software / Interfaces • Internet browser • html, java script • Équipement • PC Back to overview

47. Data Management Etapes Workflow à faire ….  Plus sur le sujet Sous forme de note • Prendre une décision • Si les ensembles de données ou ressource (software, modèles) doivent être partagés • Qui – personnes, institutions, partenaires- devraient avoir accès aux données • Si l’accès aux données doit être payant • Ou les données accessibles doivent être stockées : localement ou sur un serveur central ? • Qui est la personne responsable pour contrôler la transmission a une banque de données centrale. Cette personne responsable doit contrôler si • Les ressources / ensembles de données satisfont le standard de gestion de données de la communauté • Particulièrement si les données contiennent des métadonnées avec une définition claire des droits d’utilisation ( donner a l’administrateur de la banque de données une liste des utilisateurs potentiels) Étape 6: (préparation du) transfert Procédés • Prise de décision pour • la publication des données • les contraintes d’accès (l’utilisateur) • le transfert á la banque de données centrale • Lieu • Institution collective • Bureaux locaux • Processeur • Utilisateur des données • Administrateur de la banque de données • Software / Interfaces • Hardware Back to overview

48. Data Management Etapes Workflow à faire ….  Plus sur le sujet Sous forme de note • Préparer le transfert • Reformater les données si nécessaire • Informer l’administrateur de la banque de données centrale • Quels ensembles de données seront télécharger sur la banque centrale et pourquoi • Que les métadonnées sont entrées directement dans la banque de métadonnées par une interface web • Que les fichiers de métadonnées sont transmis ensemble avec les ensembles de données • Faire le transfert • Télécharger les données dans un catalogue de transfert sur le serveur principal • Utiliser un software de téléchargement basé sur le ftp (file transfer protocole) or SFTP (Secure Shell – File Transfer Protocol) si les facilites sont fournies • Le GVP utilise SFTP pour les transferts des données sur le serveur de données • Si le téléchargement n’est pas possible en raison d’une connexion Internet trop lente, envoyer les données par poste sur CD/DVD Étape 7: transfert Procédés • Formatage • Téléchargement sur la banque de données centrale • Lieu • Bureau local • Hôte de la banque de données centrale • Processeur • Producteur de données • Administrateur de la banque de données centrale • Software / Interfaces • Software de traitement de données • html, java script • SSH (e.g. winscp) • Hardware • PC • Serveur Back to overview

49. GVP – Infrastructure des données GLOWA Volta HP Metadata- Interface xml/xsl request to download Intranetzone Internetzone Webserver (VM) Datenserver (+RAID) File System (Samba) Apache MySQL/ Postgres: Meta-DB Portal-DB ESRI- Geodata- base PHP Mapbender inkl. PostgreSQL JavaScript (CGI) ADODB :1521 File MapServer CGI Meta.dc.xml Catalog-Manager inkl. phpMyAdmin PHP, DOM describes JDBC :1521 SMB lokal/offline SMB SMB SMB, JDBC Tomcat JSP/ Java Portal Java-based Client(COBIDS) ESRI ArcGIS Clients ArcGIS Client

50. GVP – Infrastructure des données Ne soyez pas choqués, c’est du langage technique, regardons maintenant du point de vue de l’utilisateur